Analysis
K-6:
Виконавці: Данило Кравчук (завантаження даних, DESeq, Функц. аналіз) Лев Кравчук (PCA, Функц. аналіз)
Мета
Для аналізу диференційної експресії генів було обрано клітини лінії А549 як біологічний об’єкт. Клітини лінії A549 — це клітини недрібноклітинної (NSCLC) аденокарциноми легень.
Завантаження даних
Дані було отримано з бази даних GEO (Gene Expression Omnibus). Завантажені дані описують експеримент з секвенуванням РНК (RNA-sequencing) на опромінених рентгенівським випромінюванням і контрольних клітинах A549.
Клітини A549 були піддані одноразовій дозі рентгенівського опромінення 2Гр або 4Гр за допомогою приладу X-RAD 160-225. Після опромінення клітини A549 (з одноразовою дозою опромінення), а також неопромінені клітини A549 були інкубовані ще 48 годин. Після цього було зібрано загальну РНК для високопродуктивного секвенування. Загальний дизайн експерименту: дослідження 3 умов по 3 репліки. Три групи: група 0Гр (контроль), група 2Гр та група 4Гр.
Відповідна стаття: doi: 10.1038/s41419-022-04561-x, PMID: 35190532.
Дані експерименту та метадані
Метадані зразків
kable(rse_colData_f |>
select(external_id, sra.study_title, sra.sample_title) |> head(), format = "html", table.attr = "class='table table-striped'")| external_id | sra.study_title | sra.sample_title | |
|---|---|---|---|
| SRR8371688 | SRR8371688 | RNA-sequencing in irradiated and normal A549 cells. | 0GY-1 |
| SRR8371689 | SRR8371689 | RNA-sequencing in irradiated and normal A549 cells. | 0GY-2 |
| SRR8371690 | SRR8371690 | RNA-sequencing in irradiated and normal A549 cells. | 0GY-3 |
| SRR8371691 | SRR8371691 | RNA-sequencing in irradiated and normal A549 cells. | 2GY-1 |
| SRR8371692 | SRR8371692 | RNA-sequencing in irradiated and normal A549 cells. | 2GY-2 |
| SRR8371693 | SRR8371693 | RNA-sequencing in irradiated and normal A549 cells. | 2GY-3 |
Метадані генів
kable(head(rse_rowData_f), format = "html", table.attr = "class='table table-striped'")| source | type | bp_length | phase | gene_id | gene_type | gene_name | level | havana_gene | tag | |
|---|---|---|---|---|---|---|---|---|---|---|
| ENSG00000278704.1 | ENSEMBL | gene | 2237 | NA | ENSG00000278704.1 | protein_coding | BX004987.1 | 3 | NA | NA |
| ENSG00000277400.1 | ENSEMBL | gene | 2179 | NA | ENSG00000277400.1 | protein_coding | AC145212.2 | 3 | NA | NA |
| ENSG00000274847.1 | ENSEMBL | gene | 1599 | NA | ENSG00000274847.1 | protein_coding | AC145212.1 | 3 | NA | NA |
| ENSG00000276256.1 | ENSEMBL | gene | 2195 | NA | ENSG00000276256.1 | protein_coding | AC011043.1 | 3 | NA | NA |
| ENSG00000278198.1 | ENSEMBL | gene | 1468 | NA | ENSG00000278198.1 | protein_coding | AC011043.2 | 3 | NA | NA |
| ENSG00000273496.1 | ENSEMBL | gene | 1468 | NA | ENSG00000273496.1 | protein_coding | AC011841.1 | 3 | NA | NA |
Матриця експресії
kable(rse_assay_f |>
arrange(desc(SRR8371688)) |> head(), format = "html", table.attr = "class='table table-striped'")| SRR8371688 | SRR8371689 | SRR8371690 | SRR8371691 | SRR8371692 | SRR8371693 | SRR8371694 | SRR8371695 | SRR8371696 | |
|---|---|---|---|---|---|---|---|---|---|
| ENSG00000198804.2 | 11438923 | 12624134 | 9876942 | 11286817 | 11500584 | 7659250 | 5559007 | 6564597 | 9430680 |
| ENSG00000115414.18 | 6535629 | 7642890 | 5454817 | 6763706 | 5559684 | 4748784 | 3533072 | 3375268 | 4997642 |
| ENSG00000198886.2 | 6206643 | 7357551 | 5660816 | 5944139 | 5889170 | 3652051 | 2882935 | 3346084 | 4630646 |
| ENSG00000165092.12 | 5324460 | 5907729 | 4752635 | 6099076 | 6003428 | 4324184 | 2738698 | 2820161 | 4443411 |
| ENSG00000198712.1 | 3950989 | 4529637 | 3600388 | 4185883 | 4218314 | 2704965 | 2025084 | 2605506 | 3313521 |
| ENSG00000198786.2 | 3844190 | 4525495 | 3422576 | 3768348 | 3622434 | 2426284 | 1887319 | 2046555 | 3086360 |
Попередня візуалізація даних
Побудовано графік щільності для окремого зразка (SRR8371688) та гістограму частоти значень експресії
# Створення таблиці метаданих
colData_new <- data.frame(
row.names = colnames(rse_filtered),
condition = factor(c(rep("0Gy", 3), rep("2Gy", 3), rep("4Gy", 3)))
)
# Матриця counts
countData <- assay(rse_filtered)
# Побудова графіку щільності
p1 <- ggplot(countData, aes(x = SRR8371688 )) +
geom_density(color = "darkblue", fill = "lightblue") +
xlim(0, 10e4)
count_summary <- countData |>
as.vector() |>
data.frame(counts = _) |>
group_by(counts) |>
summarise(frequency = n(), .groups = 'drop') |>
arrange(counts)
# Створення гістограми частоти значень
p2 <- ggplot(count_summary[1:200,], aes(x = counts, y = frequency, fill = frequency)) +
geom_bar(stat = "identity", width = 0.7) +
scale_y_log10(labels = scales::comma) +
labs(title = "Histogram of Counts vs Frequency (Logarithmic Scale)",
x = "Counts",
y = "Frequency (log10)") +
scale_fill_gradient(low = "#AA05BA", high = "#56B1F7") +
theme_minimal()
#p1
#p2
counts_info <- p1 + p2
ggsave("./figs/counts_info.png", plot = counts_info, width = 16, height = 6, dpi = 300)
knitr::include_graphics("./figs/counts_info.png")
Аналіз диференційної експресії генів
DESeq
Для аналізу диференційної експресії генів було застосовано DESeq Wald
Коригування p.adj
Додатково було проведено коригування на хибний позитивний результат p.adj (FDR). Нижче наведено відповідний графік
res_wald_2Gy_vs_0Gy <- results(dds_wald, contrast = c("condition", "2Gy", "0Gy"))
res_wald_4Gy_vs_0Gy <- results(dds_wald, contrast = c("condition", "4Gy", "0Gy"))
res_wald_4Gy_vs_2Gy <- results(dds_wald, contrast = c("condition", "4Gy", "2Gy"))
hist_data_before <- bind_rows(
data.frame(padj = res_wald_2Gy_vs_0Gy$padj, Comparison = "2Gy vs 0Gy"),
data.frame(padj = res_wald_4Gy_vs_0Gy$padj, Comparison = "4Gy vs 0Gy"),
data.frame(padj = res_wald_4Gy_vs_2Gy$padj, Comparison = "4Gy vs 2Gy")
)
res_wald_2Gy_vs_0Gy$padj <- p.adjust(res_wald_2Gy_vs_0Gy$pvalue, method = "fdr")
res_wald_4Gy_vs_0Gy$padj <- p.adjust(res_wald_4Gy_vs_0Gy$pvalue, method = "fdr")
res_wald_4Gy_vs_2Gy$padj <- p.adjust(res_wald_4Gy_vs_2Gy$pvalue, method = "fdr")
hist_data_after <- bind_rows(
data.frame(padj = res_wald_2Gy_vs_0Gy$padj, Comparison = "2Gy vs 0Gy"),
data.frame(padj = res_wald_4Gy_vs_0Gy$padj, Comparison = "4Gy vs 0Gy"),
data.frame(padj = res_wald_4Gy_vs_2Gy$padj, Comparison = "4Gy vs 2Gy")
)
deseq_Wald_padj_b <- ggplot(hist_data_before, aes(x = padj, fill = Comparison, color = Comparison)) +
geom_density(alpha = 0.2, adjust = 1.5) + # Криві густини
scale_fill_manual(values = c("2Gy vs 0Gy" = "red", "4Gy vs 0Gy" = "blue", "4Gy vs 2Gy" = "forestgreen")) +
scale_color_manual(values = c("2Gy vs 0Gy" = "red", "4Gy vs 0Gy" = "blue", "4Gy vs 2Gy" = "forestgreen")) +
labs(title = "Розподіл коригованих p-значень", x = "p-значення", y = "Щільність") +
geom_vline(xintercept = 0.05, linetype = "dashed", color = "black") +
annotate("text", x = 0.05, y = Inf, label = "0.05", vjust = 1.5, hjust = -0.1, color = "black") +
theme_minimal()
deseq_Wald_padj_a <- ggplot(hist_data_after, aes(x = padj, fill = Comparison, color = Comparison)) +
geom_density(alpha = 0.2, adjust = 1.5) + # Криві густини
scale_fill_manual(values = c("2Gy vs 0Gy" = "red", "4Gy vs 0Gy" = "blue", "4Gy vs 2Gy" = "forestgreen")) +
scale_color_manual(values = c("2Gy vs 0Gy" = "red", "4Gy vs 0Gy" = "blue", "4Gy vs 2Gy" = "forestgreen")) +
labs(title = "Розподіл коригованих p-значень", x = "p-значення", y = "Щільність") +
geom_vline(xintercept = 0.05, linetype = "dashed", color = "black") +
annotate("text", x = 0.05, y = Inf, label = "0.05", vjust = 1.5, hjust = -0.1, color = "black") +
theme_minimal()
deseq_Wald_padj <- deseq_Wald_padj_b + deseq_Wald_padj_a
ggsave("./figs/deseq_Wald_padj.png", plot = deseq_Wald_padj, width = 16, height = 6, dpi = 300)
knitr::include_graphics("./figs/deseq_Wald_padj.png")
Volcano plot
Для візуалізації у зміні експресії генів для випадку опромінення рентгеном 2Гр (порівняння з контролнм) та 4Гр (порівняння з контролнм) побудовано volcano plot. Окремо проводилось порівняння експресії генів при опроміненні 2Гр та 4Гр.
# png("./figs/deseq_Wald.png", width = 2400, height = 800)
# par(mfrow = c(1, 3), mar = c(5, 5, 4, 2))
# plotMA(res_wald_2Gy_vs_0Gy, ylim=c(-30,30), main="MA-plot: 0Gy vs 2Gy")
# plotMA(res_wald_4Gy_vs_0Gy, ylim=c(-30,30), main="MA-plot: 0Gy vs 4Gy")
# plotMA(res_wald_4Gy_vs_2Gy, ylim=c(-30,30), main="MA-plot: 2Gy vs 4Gy")
# dev.off()
# knitr::include_graphics("./figs/deseq_Wald.png")
res_wald_df_2Gy_vs_0Gy <- as.data.frame(res_wald_2Gy_vs_0Gy)
res_wald_df_2Gy_vs_0Gy$significant <- res_wald_df_2Gy_vs_0Gy$padj < 0.05
res_wald_df_4Gy_vs_0Gy <- as.data.frame(res_wald_4Gy_vs_0Gy)
res_wald_df_4Gy_vs_0Gy$significant <- res_wald_df_4Gy_vs_0Gy$padj < 0.05
res_wald_df_4Gy_vs_2Gy <- as.data.frame(res_wald_4Gy_vs_2Gy)
res_wald_df_4Gy_vs_2Gy$significant <- res_wald_df_4Gy_vs_2Gy$padj < 0.05
res_wald_df_2Gy_vs_0Gy$comparison <- "2Gy vs 0Gy"
res_wald_df_4Gy_vs_0Gy$comparison <- "4Gy vs 0Gy"
res_wald_df_4Gy_vs_2Gy$comparison <- "4Gy vs 2Gy"
res_wald_df_2Gy_vs_0Gy <- as.data.frame(res_wald_df_2Gy_vs_0Gy) |>
mutate(gene_id = rownames(res_wald_df_2Gy_vs_0Gy), comparison = "2Gy vs 0Gy") |>
left_join(gene_annotations, by = "gene_id")
# Оновлення res_df_4Gy_vs_0Gy
res_wald_df_4Gy_vs_0Gy <- as.data.frame(res_wald_df_4Gy_vs_0Gy) %>%
mutate(gene_id = rownames(.), comparison = "4Gy vs 0Gy") |>
left_join(gene_annotations, by = "gene_id")
# Оновлення res_df_4Gy_vs_2Gy
res_wald_df_4Gy_vs_2Gy <- as.data.frame(res_wald_df_4Gy_vs_2Gy) |>
mutate(gene_id = rownames(res_wald_df_4Gy_vs_2Gy), comparison = "4Gy vs 2Gy") |>
left_join(gene_annotations, by = "gene_id")
# Побудова volcano plot
plot_2Gy_vs_0Gy_W <- EnhancedVolcano(res_wald_df_2Gy_vs_0Gy,
lab = res_wald_df_2Gy_vs_0Gy$gene_name,
x = 'log2FoldChange',
y = 'padj',
xlim = c(-5, 5),
ylim = c(0, 10),
pCutoff = 0.05,
FCcutoff = 1.5,
pointSize = 5,
labSize = 6,
col = c('grey30', 'forestgreen', 'royalblue', 'red2'),
title = '2Gy vs 0Gy',
legendPosition = 'top')
plot_4Gy_vs_0Gy_W <- EnhancedVolcano(res_wald_df_4Gy_vs_0Gy,
lab = res_wald_df_4Gy_vs_0Gy$gene_name,
x = 'log2FoldChange',
y = 'padj',
xlim = c(-5, 5),
ylim = c(0, 10),
pCutoff = 0.05,
FCcutoff = 1.5,
pointSize = 5,
labSize = 6,
col = c('grey30', 'forestgreen', 'royalblue', 'red2'),
title = '4Gy vs 0Gy',
legendPosition = 'top')
plot_4Gy_vs_2Gy_W <- EnhancedVolcano(res_wald_df_4Gy_vs_2Gy,
lab = res_wald_df_4Gy_vs_2Gy$gene_name,
x = 'log2FoldChange',
y = 'padj',
xlim = c(-5, 5),
ylim = c(0, 10),
pCutoff = 0.05,
FCcutoff = 1.5,
pointSize = 5,
labSize = 6,
col = c('grey30', 'forestgreen', 'royalblue', 'red2'),
title = '4Gy vs 2Gy',
legendPosition = 'top')
volc_wald_plot <- plot_2Gy_vs_0Gy_W + plot_4Gy_vs_0Gy_W + plot_4Gy_vs_2Gy_W + plot_layout(nrow = 1)
#print(volc_wald_plot)
ggsave("./figs/volc_wald.png", plot = volc_wald_plot, width = 20, height = 6, dpi = 300)2Gy vs 0Gy
ggsave("./figs/volc_plot_2Gy_vs_0Gy.png", plot = plot_2Gy_vs_0Gy_W, width = 20, height = 20, dpi = 300)
knitr::include_graphics("./figs/volc_plot_2Gy_vs_0Gy.png")
4Gy vs 0Gy
ggsave("./figs/volc_plot_4Gy_vs_0Gy.png", plot = plot_4Gy_vs_0Gy_W, width = 20, height = 20, dpi = 300)
knitr::include_graphics("./figs/volc_plot_4Gy_vs_0Gy.png")
4Gy vs 2Gy
ggsave("./figs/volc_plot_4Gy_vs_2Gy.png", plot = plot_4Gy_vs_2Gy_W, width = 20, height = 20, dpi = 300)
knitr::include_graphics("./figs/volc_plot_4Gy_vs_2Gy.png")
Upset
Для візуалізації перекриття між списками генів, які є статистично значущими (з коригованим p-значенням < 0.05) та мають великий зсув логарифмічних змін (log2FoldChange > 1.5 для підвищеної експресії та log2FoldChange < -1.5 для зниженої експресії) у різних порівняннях, використали upset plot.
res_2Gy_0Gy_up <- res_wald_df_2Gy_vs_0Gy |> as.data.frame() |> filter(pvalue < 0.05 & log2FoldChange > 1.5)
res_2Gy_0Gy_down <- res_wald_df_2Gy_vs_0Gy |> as.data.frame() |> filter(pvalue < 0.05 & log2FoldChange < -1.5)
res_4Gy_0Gy_up <- res_wald_df_4Gy_vs_0Gy |> as.data.frame() |> filter(pvalue < 0.05 & log2FoldChange > 1.5)
res_4Gy_0Gy_down <- res_wald_df_4Gy_vs_0Gy |> as.data.frame() |> filter(pvalue < 0.05 & log2FoldChange < -1.5)
res_4Gy_2Gy_up <- res_wald_df_4Gy_vs_2Gy |> as.data.frame() |> filter(pvalue < 0.05 & log2FoldChange > 1.5)
res_4Gy_2Gy_down <- res_wald_df_4Gy_vs_2Gy |> as.data.frame() |> filter(pvalue < 0.05 & log2FoldChange < -1.5)
venn_list <- list("2Gy vs 0Gy(up)" = res_2Gy_0Gy_up$gene_name,
"2Gy vs 0Gy(down)" = res_2Gy_0Gy_down$gene_name,
"4Gy vs 0Gy(up)" = res_4Gy_0Gy_up$gene_name,
"4Gy vs 0Gy(down)" = res_4Gy_0Gy_down$gene_name,
"4Gy vs 2Gy(up)" = res_4Gy_2Gy_up$gene_name,
"4Gy vs 2Gy(down)" = res_4Gy_2Gy_down$gene_name)
ven <- venndetail(venn_list)
png("./figs/upset_diagram.png", width = 1600, height = 1600, res = 300)
plot(ven, type = "upset")
dev.off()
Аналіз головних компонент (PCA)
Наступним кроком було проведено PCA аналіз. Scree plot Червона лінія відображає кумулятивну суму варіацій, яка показує, що 80% варіації даних припадає на п’ять головних компонент. При цьому PC1 пояснює близько 50% варіації. Для того, щоб визначити кількість головних компонент, які варто зберегти для аналізу були використані метод Горна та elbow, які зображені на графіку штриховою лінією. Biplot комбінує інформацію про зразки і змінні в одному графіку. По осях зображені дві головні компоненти: PC1 і PC2, кожна з яких пояснює відсоток варіації в даних: PC1 — 44.98%, PC2 — 12.94%. Точки відповідають різним спостереженням за умов випромінювання X-хвилями 0Гр, 2Гр, 4Гр, які приблизно кластеризуються відповідно умовам впливу. Щоб перевірити чи є “правильна” кластеризація експериментів, був проведений кластерний аналіз методом k-means з 5-ма головними компонентами, адже саме стільки компонент пояснюють більшу варіацію даних. Loadings plot показуює, наскільки кожен ген впливає на кожну головну компоненту. Це значення визначає, наскільки цей ген сприяє поясненню варіації в даних.
vst_data <- assay(vst(dds_wald))
pca_result <- PCAtools::pca(vst_data, metadata = colData_new, removeVar = 0.1)
horn <- parallelPCA(vst_data)
elbow <- findElbowPoint(pca_result$variance)
var_explained <- which(cumsum(pca_result$variance)> 80)[1]
pscree <- PCAtools::screeplot(pca_result,
axisLabSize = 18,
titleLabSize = 22,
vline = c(horn$n, elbow, var_explained), hline = 85,
returnPlot = FALSE) +
geom_label(aes(x = horn$n, y = 60,
label = 'Horn\'s', vjust = -1, size = 8)) +
geom_label(aes(x = elbow, y = 60,
label = 'Elbow method', vjust = -3, size = 8)) +
geom_label(aes(x = var_explained , y = 85,
label = '80% explained variation', vjust = -1, size = 8))
ppairs <- PCAtools::pairsplot(pca_result,
hline = 0, vline = 0,
pointSize = 2,
gridlines.major = FALSE, gridlines.minor = FALSE,
colby = 'condition',
plotaxes = TRUE,
margingaps = unit(c(0.01, 0.01, 0.01, 0.01), 'cm'),
returnPlot = FALSE)
# Створюємо нові назви для рядків, зіставляючи gene_id з gene_name
new_row_names <- gene_annotations$gene_name[match(rownames(pca_result$loadings), gene_annotations$gene_id)]
# Якщо є дублікат імен, додамо індекси для унікальності
new_row_names <- make.unique(new_row_names)
# Перезаписуємо назви рядків у pca_result$loadings
rownames(pca_result$loadings) <- new_row_names
pbiplot <- PCAtools::biplot(pca_result,
axisLabSize = 18,
# loadings parameters
showLoadings = TRUE,
sizeLoadingsNames = 4,
colLoadingsNames = 'red4',
#points
lab = NULL,
colby = 'condition',
colLegendTitle = 'Condition',
colkey = c('0Gy' = '#228B22', '2Gy' = '#7B68EE', '4Gy' = '#FF8C00'),
pointSize = 5,
#plotview
hline = 0,
vline = c(-5, 0, 5),
vlineType = c('dotdash', 'solid', 'dashed'),
gridlines.major = FALSE, gridlines.minor = FALSE,
legendPosition = 'right',
legendLabSize = 16,
legendIconSize = 8.0,,
subtitle = 'PC1 versus PC2',
caption = '5 PCs ≈ 80%',
returnPlot = FALSE)
ploadings <- PCAtools::plotloadings(pca_result,
axisLabSize = 18,
subtitle = 'PC1, PC2, PC3, PC4, PC5',
labSize = 3,
returnPlot = FALSE)
pca_df <- as.data.frame(pca_result$rotated)
# Додаємо інформацію про condition та інші метадані
pca_df$condition <- colData_new$condition
# Використовуємо більше компонент для кластеризації, наприклад, перші 5
set.seed(1234)
km <- kmeans(x = pca_df[, 1:5], centers = 3, nstart = 25) # Використовуємо 5 компонент і 25 запусків
# Додаємо результати кластеризації в датафрейм
pca_df$cluster <- as.factor(km$cluster)
# Візуалізація
pkmean <- autoplot(km, data = pca_df, frame = TRUE, frame.type = 'norm', size = 4, alpha = 0.6) +
aes(shape = condition, color = cluster) +
scale_shape_manual(values = c('0Gy' = 16, '2Gy' = 17, '4Gy' = 18)) +
labs(subtitle = 'with 5 PCs',
color = 'cluster', shape = 'Condition') +
coord_equal() +
theme_minimal(base_size = 18)+
theme(legend.position = 'right', # Позиція легенди
panel.border = element_rect(color = 'black', fill = NA, size = 1)) # Додання рамки
# Додаємо заголовки до кожного графіка
pscree <- pscree + ggtitle("A Scree plot") + theme(plot.title = element_text(face = "bold", hjust = -0.01, size = 18))
ploadings <- ploadings + ggtitle("B Loading plot") + theme(plot.title = element_text(face = "bold", hjust = -0.01, size = 18))
pbiplot <- pbiplot + ggtitle("C Bi-plot") + theme(plot.title = element_text(face = "bold", hjust = -0.01, size = 18))
pkmean <- pkmean + ggtitle("D K-means Clusters") + theme(plot.title = element_text(face = "bold", hjust = -0.01, size = 18))
ppairs <- ppairs + ggtitle("E Pairs plot") + theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 18))
# Комбінування графіків у сітку
combined_plot <- (pscree | ploadings) / (pbiplot | pkmean) / ppairs
ggsave("./figs/combined_plot.png", combined_plot, width = 20, height = 30)
knitr::include_graphics("./figs/combined_plot.png")
Функціональний аналіз
Після проведення аналізу диференційної експресії було визначено роль цих генів в клітинах. Для цього було проведено аналіз збагачення за допомогою Enrichr
Функціональний аналіз Enrichr
Узагальнене
knitr::include_graphics("./figs/enrichr_results_all_up.png")
2Gy 0Gy
knitr::include_graphics("./figs/enrichr_results_2Gy_0Gy_up.png")
4Gy 0Gy
knitr::include_graphics("./figs/enrichr_results_4Gy_0Gy_up.png")
4Gy 2Gy
knitr::include_graphics("./figs/enrichr_results_4Gy_2Gy_up.png")
Аналіз метаболічних шляхів за допомогою Pathview
Для того, щоб явно побачити роль генів з підвищеною та зі зниженою експресією у клітинах лінії А549 було проведено аналіз метаболічних шляхів циклу клітини, проліферації, апоптозу.
logFC <- path_4Gy_vs_0Gy$log2FoldChange
names(logFC) <- path_4Gy_vs_0Gy$entrezgene_id
pathview(gene.data = logFC,
pathway.id = "hsa05207",
species = "hsa",
#kegg.native = T
ut.suffix = "Non-small cell lung cancer (специфічно для A549)")
pathview(gene.data = logFC,
pathway.id = "hsa04110",
species = "hsa",
#kegg.native = T
ut.suffix = "Cell cycle")
pathview(gene.data = logFC,
pathway.id = "hsa04115",
species = "hsa",
#kegg.native = T
ut.suffix = "p53 signaling pathway")
pathview(gene.data = logFC,
pathway.id = "hsa04725",
species = "hsa",
#kegg.native = T
ut.suffix = "NAChR")
pathview(gene.data = logFC,
pathway.id = "hsa04210",
species = "hsa",
#kegg.native = T
ut.suffix = "Apoptosis")Канцерогенез
knitr::include_graphics("hsa05207.pathview.png")
Клітинний цикл
knitr::include_graphics("hsa04110.pathview.png")
р53 сигнальний шлях
knitr::include_graphics("hsa04115.pathview.png")
Апоптоз
knitr::include_graphics("hsa04210.pathview.png")
Холінергічний синапс
knitr::include_graphics("hsa04725.pathview.png")
## {-}